Sep, 2023

基于深度学习算法的核形态测量对犬皮肤鳞状细胞癌具有预后意义

PDF
TL;DR通过深度学习算法的自动形态测量，该研究支持使用自动形态测量作为一种预后测试，以克服估计和手动测量的限制。
nuclear sizeshapemorphometryalgorithmprognostic test
发现论文，激发创造
  • 去除中间商：在未进行分割的组织病理学幻灯片中测量核区

    使用卷积神经网络从肿瘤图像数据直接测量肿瘤区域内的核大小和核平均面积，并实现混合核检测和测量，以提高乳腺肿瘤诊断精度。

    Jun, 2016

  • NuCLS: 一种可扩展的众包深度学习方法与数据集，用于细胞核分类、定位和分割

    本文中，我们介绍了一种吸引医学生和病理学家参与的方法，用于在乳腺癌中标注细胞核的数据集，其中建议的注释可以通过弱算法来改善，该算法可用于训练分割算法，这种方法被称为 DTALE，旨在通过核分割和形态学特征来提高核分类模型的透明度。

    Feb, 2021

  • 组织病理学图像中的有丝分裂领域通用性问题 -- MIDOG 挑战

    本文评估和比较不同算法的性能表现，针对临床用途中的整张切片扫描仪领域差异问题，提出和评估了一种扫描器不可知的有助于病理学家判读分级的异常分裂细胞检测算法。

    Apr, 2022

  • 无需标注的深度学习自动体积校正有丝分裂指数计算方法及其免疫组织化学参考标准

    通过使用基于免疫组化的无注释深度学习流程，我们对犬乳腺癌的上皮分割进行了准确估计，并将我们的自动框架与手动注释的体积校正有丝分裂指数进行了比较，结果表明深度学习的流程具有专家级的性能，同时具备时间效率和重复性。

    Nov, 2023

  • 乳腺癌组织病理学图像中有丝分裂检测算法的评估

    本研究介绍了自动图像分析在乳腺肿瘤组织分析中的应用，通过分析 AMIDA13 数据集和 11 种不同的算法，提出了一种性能可与病理学家间交互的标准相媲美的图像分析算法。

    Nov, 2014

  • 数字显微组织图像分割和分类方法

    本文提出了两个计算机算法，分别用于分割细胞核和分类组织切片图像。采用多尺度深度残差聚合网络实现核物质的准确分割，采用深度学习方法与随机森林回归模型相结合进行图像分类。该算法在 MICCAI 2017 数字病理学挑战赛中取得了较高的精度得分。

    Oct, 2018

  • 一种统一的框架，用于乳腺组织病理学中肿瘤增殖评分的预测

    我们提出了一个统一的框架，从乳腺组织病理学全幻灯片图像中预测肿瘤增殖评分。该系统提供了完全自动化的解决方案，预测基于分子数据和有丝分裂计数的肿瘤增殖评分。我们的方法在 Tumor Proliferation Assessment Challenge 2016 中获得了三个任务的第一名。

    Dec, 2016

  • 从组织病理学图像预测分子表型：乳腺癌中一项转录组范围的表达形态分析

    该研究使用基因特定模型和卷积神经网络从组织形态结构预测肿瘤基因表达及其空间分布，并验证了该方法在乳腺癌中的可行性，为描述肿瘤内异质性提供了可扩展性的方法。

    Sep, 2020

  • 深度学习模型通过 HE 染色组织切片预测宠物犬皮肤肥大细胞瘤的 c-Kit-11 基因突变状态

    使用深度学习模型 (DLMs) 仅基于形态学，而无需额外的分子分析，可以准确识别 c-Kit-11 突变状况，并可预测高精度的犬嗜酸细胞瘤 (MCTs) 的 c-Kit 外显子 11 突变状态，但当扫描仪或染色方案发生变化时，识别性能会受到影响。

    Jan, 2024

  • 基于深度学习的数字乳腺癌免疫组织化学图像精确自动化量化的实例分割

    使用基于深度学习的实例分割体系结构的自动量化方法，成功地将细胞核和膜生物标记物应用于免疫组化染色的胸部肿瘤图像，并集成到开发的网络平台中，作为病理学家的决策支持工具。

    Nov, 2023